基于 PyTorch 的使用 USB 的半监督学习 ¶

创建时间：2025 年 4 月 1 日 | 最后更新时间：2025 年 4 月 1 日 | 最后验证：未验证

作者：陈浩

统一半监督学习基准（USB）是一个基于 PyTorch 构建的半监督学习（SSL）框架。基于 PyTorch 提供的数据集和模块，USB 成为一个灵活、模块化且易于使用的半监督学习框架。它支持多种半监督学习算法，包括 FixMatch ， FreeMatch ， DeFixMatch ， SoftMatch ，等等。它还支持多种不平衡半监督学习算法。USB 包含了计算机视觉、自然语言处理和语音处理不同数据集的基准结果。

本教程将向您介绍如何使用 USB 照明包的基础知识。让我们从在 CIFAR-10 上使用预训练的视觉 Transformer（ViT）训练一个 FreeMatch / SoftMatch 模型开始！我们将展示如何轻松更改半监督算法并在不平衡数据集上训练。

半监督学习中的 FreeMatch 和 SoftMatch 简介

我们在这里简要介绍 FreeMatch 和 SoftMatch 。首先，我们介绍一个名为 FixMatch 的半监督学习著名基线。 FixMatch 是一个用于半监督学习的非常简单的框架，其中它利用强大的增强来为未标记数据生成伪标签。它采用置信度阈值策略，通过固定的阈值来过滤掉低置信度的伪标签。 FreeMatch 和 SoftMatch 是两种改进 FixMatch 的算法。 FreeMatch 提出了一种自适应阈值策略来替代 FixMatch 中的固定阈值策略。自适应阈值根据模型在每个类上的学习状态逐步增加阈值。 SoftMatch 吸收了置信度阈值作为加权机制的想法。它提出了一种高斯加权机制来克服伪标签中的数量-质量权衡。在本教程中，我们将使用 USB 来训练 FreeMatch 和 SoftMatch 。

使用 USB 在 CIFAR-10 上仅用 40 个标签训练 FreeMatch / SoftMatch

USB 易于使用和扩展，对小型团队来说价格合理，在开发和评估 SSL 算法方面功能全面。USB 提供了基于一致性正则化的 14 种 SSL 算法的实现，以及来自计算机视觉、自然语言处理和音频领域的 15 个评估任务。它具有模块化设计，允许用户通过添加新的算法和任务轻松扩展软件包。它还支持 Python API，以便更容易地适应新数据上的不同 SSL 算法。

现在，让我们使用 USB 在 CIFAR-10 上训练 FreeMatch 和 SoftMatch 。首先，我们需要安装 USB 软件包 semilearn ，并从 USB 导入必要的 API 函数。如果您在 Google Colab 上运行此代码，请通过运行 !pip install semilearn 来安装 semilearn 。

下面是我们将从 semilearn 中使用的函数列表：

• get_dataset 用于加载数据集，这里我们使用 CIFAR-10

• 创建训练（标记和未标记）和测试数据

加载器，训练未标记加载器将提供未标记数据的强和弱增强 - 创建模型，这里我们使用预训练的 ViT - 创建半监督学习算法，这里我们使用 FreeMatch 和 SoftMatch - 获取算法的默认配置 - 为训练和评估算法在数据集上使用的 Trainer 类

注意，使用 semilearn 包进行训练需要 CUDA 启用的后端。有关在 Google Colab 中启用 CUDA 的说明，请参阅启用 Google Colab 中的 CUDA。

import semilearn
from semilearn import get_dataset, get_data_loader, get_net_builder, get_algorithm, get_config, Trainer

导入必要的函数后，我们首先设置算法的超参数。

config = {
    'algorithm': 'freematch',
    'net': 'vit_tiny_patch2_32',
    'use_pretrain': True,
    'pretrain_path': 'https://github.com/microsoft/Semi-supervised-learning/releases/download/v.0.0.0/vit_tiny_patch2_32_mlp_im_1k_32.pth',

    # optimization configs
    'epoch': 1,
    'num_train_iter': 500,
    'num_eval_iter': 500,
    'num_log_iter': 50,
    'optim': 'AdamW',
    'lr': 5e-4,
    'layer_decay': 0.5,
    'batch_size': 16,
    'eval_batch_size': 16,


    # dataset configs
    'dataset': 'cifar10',
    'num_labels': 40,
    'num_classes': 10,
    'img_size': 32,
    'crop_ratio': 0.875,
    'data_dir': './data',
    'ulb_samples_per_class': None,

    # algorithm specific configs
    'hard_label': True,
    'T': 0.5,
    'ema_p': 0.999,
    'ent_loss_ratio': 0.001,
    'uratio': 2,
    'ulb_loss_ratio': 1.0,

    # device configs
    'gpu': 0,
    'world_size': 1,
    'distributed': False,
    "num_workers": 4,
}
config = get_config(config)

然后，我们加载数据集并创建用于训练和测试的数据加载器。并指定要使用的模型和算法。

dataset_dict = get_dataset(config, config.algorithm, config.dataset, config.num_labels, config.num_classes, data_dir=config.data_dir, include_lb_to_ulb=config.include_lb_to_ulb)
train_lb_loader = get_data_loader(config, dataset_dict['train_lb'], config.batch_size)
train_ulb_loader = get_data_loader(config, dataset_dict['train_ulb'], int(config.batch_size * config.uratio))
eval_loader = get_data_loader(config, dataset_dict['eval'], config.eval_batch_size)
algorithm = get_algorithm(config,  get_net_builder(config.net, from_name=False), tb_log=None, logger=None)

现在，我们可以开始使用 CIFAR-10 的 40 个标签训练算法了。我们训练 500 次迭代，每 500 次迭代评估一次。

trainer = Trainer(config, algorithm)
trainer.fit(train_lb_loader, train_ulb_loader, eval_loader)

最后，让我们在验证集上评估训练好的模型。在 CIFAR-10 的 40 个标签上使用 FreeMatch 训练 500 次迭代后，我们在验证集上获得了一个大约 87%准确率的分类器。

trainer.evaluate(eval_loader)

使用 USB 在不平衡的 CIFAR-10 上使用特定的不平衡算法训练 SoftMatch 。

现在假设我们有一个不平衡的 CIFAR-10 标签集和不平衡的无标签集，并且我们想在它上面训练一个 SoftMatch 模型。我们通过将 lb_imb_ratio 和 ulb_imb_ratio 设置为 10 来创建一个不平衡的 CIFAR-10 标签集和不平衡的无标签集。同时，我们将 algorithm 替换为 softmatch ，并将 imbalanced 设置为 True 。

config = {
    'algorithm': 'softmatch',
    'net': 'vit_tiny_patch2_32',
    'use_pretrain': True,
    'pretrain_path': 'https://github.com/microsoft/Semi-supervised-learning/releases/download/v.0.0.0/vit_tiny_patch2_32_mlp_im_1k_32.pth',

    # optimization configs
    'epoch': 1,
    'num_train_iter': 500,
    'num_eval_iter': 500,
    'num_log_iter': 50,
    'optim': 'AdamW',
    'lr': 5e-4,
    'layer_decay': 0.5,
    'batch_size': 16,
    'eval_batch_size': 16,


    # dataset configs
    'dataset': 'cifar10',
    'num_labels': 1500,
    'num_classes': 10,
    'img_size': 32,
    'crop_ratio': 0.875,
    'data_dir': './data',
    'ulb_samples_per_class': None,
    'lb_imb_ratio': 10,
    'ulb_imb_ratio': 10,
    'ulb_num_labels': 3000,

    # algorithm specific configs
    'hard_label': True,
    'T': 0.5,
    'ema_p': 0.999,
    'ent_loss_ratio': 0.001,
    'uratio': 2,
    'ulb_loss_ratio': 1.0,

    # device configs
    'gpu': 0,
    'world_size': 1,
    'distributed': False,
    "num_workers": 4,
}
config = get_config(config)

然后，我们重新加载数据集，并为训练和测试创建数据加载器。并指定要使用的模型和算法。

dataset_dict = get_dataset(config, config.algorithm, config.dataset, config.num_labels, config.num_classes, data_dir=config.data_dir, include_lb_to_ulb=config.include_lb_to_ulb)
train_lb_loader = get_data_loader(config, dataset_dict['train_lb'], config.batch_size)
train_ulb_loader = get_data_loader(config, dataset_dict['train_ulb'], int(config.batch_size * config.uratio))
eval_loader = get_data_loader(config, dataset_dict['eval'], config.eval_batch_size)
algorithm = get_algorithm(config,  get_net_builder(config.net, from_name=False), tb_log=None, logger=None)

现在，我们可以开始使用 40 个标签在 CIFAR-10 上训练算法了。我们训练 500 次迭代，并在每 500 次迭代后进行评估。

trainer = Trainer(config, algorithm)
trainer.fit(train_lb_loader, train_ulb_loader, eval_loader)

最后，让我们在验证集上评估训练好的模型。

trainer.evaluate(eval_loader)

参考文献：- [1] USB: https://github.com/microsoft/Semi-supervised-learning - [2] Kihyuk Sohn 等人. FixMatch：利用一致性和置信度简化半监督学习 - [3] Yidong Wang 等人. FreeMatch：半监督学习中的自适应阈值 - [4] Hao Chen 等人. SoftMatch：解决半监督学习中的数量-质量权衡问题